摘要： Langchain文档预处理流水线是提升检索系统性能的关键环节，通过三大模块解决原始文档的“三乱”问题： 冗余数据过滤：结合规则与AI模型剔除广告、空白页等噪声，提升检索精确率； 格式标准化：统一PDF/Word等异构文档为结构化数据（如JSON），避免解析差异导致的召回率损失； 元数据提取：自动化补充作者、时间等标签，支持多维度精准检索。 实际案例显示，预处理可使检索精确率从62%提升至

本文介绍了三种优化大语言模型的技术方法：监督微调(SFT)、基于人类反馈的强化学习(RLHF)和直接偏好优化(DPO)。SFT通过标注数据使预训练模型适应特定任务；RLHF利用人类反馈指导模型优化输出质量；DPO简化RLHF流程，直接利用偏好数据优化模型。文中提供了医疗问答、智能客服和内容生成等应用案例，并附各方法的Python实现代码示例（基于Hugging Face、Stable-Baseli

本文介绍了LangChain中聊天模型的四种基本调用方式及其应用场景：单次调用（invoke()）适用于简单问答，批量处理（batch()）提高多任务效率，流式输出（stream()）实现实时交互，异步流式（astream()）支持高并发。第二部分讲解了工具调用功能，通过bind_tools()扩展模型能力，如查询天气、数据等。第三部分展示结构化输出（with_structured_output(